报告简介：
具备因果关系的学习能力被认为是人类智能的重要组成部分，是人工智能的基础。在因果关系学习中，一个基本的问题是理解特定操作（例如药物处方）对重要结果（例如治愈疾病）的因果影响，这对医疗保健、教育和电子商务等关键领域具有重大意义。解决该问题的一种普遍方法是直接使用观察数据。因为在许多情况下，替代的随机实验可能是昂贵的、耗时的，甚至是不道德的。然而，现有数据驱动的方法往往受到一定限制，因为它们:(1)假设观测数据是独立同分布的(i.i.d.); (2)忽略隐藏的混杂因素的影响，即影响操作和结果的未观察到的变量。与此同时，现实世界的数据通常是连接的，可以抽象为图(例如，社交网络、生物网络和知识图)。图数据在许多有影响力的领域普遍存在，为控制隐藏混杂因素的影响并构建更有效的、无偏的因果效应估计模型提供了机会。在本次讲座中，将介绍团队最近在基于图的因果效应学习方面的研究成果。具体地，试图回答以下研究问题:如何利用观察数据中的图信息进行因果关系学习?当图持续进化时，如何利用历史信息来捕捉隐藏的混杂因素对因果关系学习的影响?
专家简介：
李骏东，美国弗吉尼亚大学电气与计算机工程系助理教授，同时在数据科学学院计算机科学系任职。他于2019年在亚利桑那州立大学获得计算机科学博士学位。主要研究兴趣是数据挖掘、机器学习、和因果推理。在国际顶级会议(包括KDD、WWW、AAAI、IJCAI、WSDM、EMNLP、CSUR、TPAMI、TKDE、TKDD、TIST等)发表论文100余篇，被引次数超过5000次。根据谷歌Scholar Metrics，他在特征选择和图表示学习方面的工作是在过去五年ACM CSUR、WSDM、SDM、和CIKM中被引用最多的文章之一。获得了包括NSF职业奖，摩根大通教师研究奖，思科教师研究奖等著名奖项。被选为AAAI 2021新教师亮点计划，是IJCAI等顶级国际会议的（高级）程序委员会委员，目前担任 ACM TIST 的执行编辑。